利用UNet和FPN中的多尺度特征集成来进行肺结节的语义细分
Sarah Prithvika1, Jani Anbarasi1, Modigari Narendra1
1School of Computer Science and Engineering, Vellore Institute of Technology, Chennai, India.
Frontiers in artificial intelligence
|November 17, 2025
概括
具有线性注意力的特征金字塔网络 (FPN) 实现了最佳的肺结节细分性能. 这种计算机辅助检测 (CAD) 方法通过改善医疗图像中肺结节的识别,为早期肺癌诊断提供了希望.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 肺癌是全球癌症死亡的主要原因之一.
- 肺癌的早期诊断是具有挑战性的,因为没有早期症状.
- 肺结节,有些恶性,需要准确的鉴定,以便及时治疗.
研究的目的:
- 评估和比较不同深度学习模型用于肺结节细分.
- 确定最有效的计算机辅助检测 (CAD) 框架,以改善早期肺癌诊断.
主要方法:
- 三种深度学习架构的比较:多尺度的UNet,具有异步卷积块 (ACB) 和通道注意力的UNet和具有线性注意力的特征金字塔网络 (FPN).
- 在LIDC-IDRI数据集上进行了肺结节细分.
- 评估指标包括子相似系数 (DSC) 和交叉点在联盟 (IoU) 上.
主要成果:
- 带有线性注意力机制的FPN在肺结节细分方面表现出卓越的性能.
- 使用FPN和线性注意力激活GELU获得了最高的性能,在LIDC-IDRI数据集上,DSC为71.59%和IOU为58.57%.
- 在FPN中的线性注意力机制提高了特征提取效率和细分精度.
结论:
- 带有线性注意力机制的FPN是用于肺结节细分的高效CAD工具.
- 这种方法有可能显著帮助放射科医生在早期发现肺癌并降低死亡率.
